Machine Learning Accurately Predicts Need for Critical Care Support in Patients Admitted to Hospital for Community-Acquired Pneumonia
Notice bibliographique
Résumé
OBJECTIVES: Hospitalized community-acquired pneumonia (CAP) patients are admitted for ventilation, vasopressors, and renal replacement therapy (RRT). This study aimed to develop a machine learning (ML) model that predicts the need for such interventions and compare its accuracy to that of logistic regression (LR). DESIGN: This retrospective observational study trained separate models using random-forest classifier (RFC), support vector machines (SVMs), Extreme Gradient Boosting (XGBoost), and multilayer perceptron (MLP) to predict three endpoints: eventual use of invasive ventilation, vasopressors, and RRT during hospitalization. RFC-based models were overall most accurate in a derivation COVID-19 CAP cohort and were validated in one COVID-19 CAP and two non-COVID-19 CAP cohorts. SETTING: This study is part of the Community-Acquired Pneumonia: Toward InnoVAtive Treatment (CAPTIVATE) Research program. PATIENTS: Two thousand four hundred twenty COVID-19 and 1909 non-COVID-19 CAP patients over 18 years old hospitalized and not needing invasive ventilation, vasopressors, and RRT on the day of admission were included. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: Performance was evaluated with area under the receiver operating characteristic curve (AUROC) and accuracy. RFCs performed better than XGBoost, SVM, and MLP models. For comparison, we evaluated LR models in the same cohorts. AUROC was very high ranging from 0.74 to 0.95 in predicting ventilation, vasopressors, and RRT use in our derivation and validation cohorts. ML used and variables such as Fio2, Glasgow Coma Scale, and mean arterial pressure to predict ventilator, vasopressor use, creatinine, and potassium to predict RRT use. LR was less accurate than ML, with AUROC ranging 0.66 to 0.8. CONCLUSIONS: A ML algorithm more accurately predicts need of invasive ventilation, vasopressors, or RRT in hospitalized non-COVID-19 CAP and COVID-19 patients than regression models and could augment clinician judgment for triage and care of hospitalized CAP patients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».